Malcolm Werchota ist Co-Founder und Principal Partner von Werchota.ai, einer auf KI-Strategie spezialisierten Beratung mit Sitz in Österreich. In den vergangenen zwei Jahren hat er mit seinem Team mehr als fünfzig Organisationen im DACH-Raum beim Einstieg in die KI-Adoption begleitet von Industrie- und Dienstleistungsunternehmen bis hin zu Akteuren im Gesundheitswesen. Sein Ansatz: keine endlosen Pilotprojekte, sondern klare Spielregeln, konkrete Use Cases und messbare Resultate, die sich in der täglichen Arbeit bemerkbar machen.
Im Fokus dieses Gesprächs stehen Spitäler, Arztpraxen, Medtech-Firmen sowie Unternehmen aus Pharma und Life Sciences. Werchota beschreibt, wo diese Organisationen beim Einsatz von KI heute tatsächlich stehen, wie sein Team mit
Vor-Ort-Workshops ein individuelles KI-Playbook entwickelt und warum Governance, klare Key Performance Indicators (KPIs, messbare Kennzahlen) und für den Anfang begrenzte, gut gewählte Use Cases wichtiger sind als der nächste Hype um neue Tools. Gleichzeitig macht er deutlich, dass es bei KI nicht nur um Technologie geht, sondern um Resilienz: die Fähigkeit, Arbeit so zu verändern, dass sie auch unter Druck funktioniert.
Vergangenen Juni, am Swiss Medtech Day 2025, haben Sie gesagt, über 90 Prozent der Menschen seien noch «AI Cavemen». Gilt das im Gesundheitswesen immer noch?
Malcolm Werchota: Das war bewusst zugespitzt formuliert heute würde ich das Bild anders zeichnen. Viele Organisationen haben erste Erfahrungen mit KI gesammelt, einzelne Teams arbeiten sehr kompetent mit den Werkzeugen. In Workshops ist es fast Standard, dass mehrere Leute zugeben, KI privat längst zu nutzen, etwa für E-Mails oder Textentwürfe. Aber strategisch gut aufgestellt sind nur wenige: Es gibt viele parallele Pilotprojekte, aber wenig Governance, wenige klare Entscheidungen und kaum durchgängige Workflows, in denen KI wirklich Teil der täglichen Arbeit ist. Das Problem ist also nicht, dass Menschen «zu wenig intelligent» wären, sondern dass die Organisationen noch keine saubere Struktur für den Umgang mit KI aufgebaut haben und genau dort setzen wir an.
Woran erkennen Sie, ob eine Organisation beim Thema KI noch im Frühstadium ist?
Wir kommen nicht mit einer fertigen «KI-Strategie aus der Schublade», sondern mit einem klaren Rahmen. Zuerst sprechen wir mit den entscheidenden Rollen Geschäftsleitung, Medizin, Pflege, IT, je nach Organisation auch Compliance oder Qualität. Wir schauen: Welche Tools sind im Einsatz? Wo entstehen heute Reibungen im Alltag? Welche Use Cases existieren schon inoffiziell, weil Mitarbeitende sich mit KI behelfen? Dann bauen wir daraus ein KI-Playbook, das auf einer Seite zeigt: Hier seht ihr, diese Use Cases lohnen sich, hier sind grobe KPIs und die nächsten Schritte. Zum Schluss führen wir einen Workshop durch, damit die Organisation danach ohne uns ins Tun kommt. Wir wollen Fähigkeiten aufbauen, nicht nur Workshops verkaufen das heisst, das Playbook ist ein Arbeitsinstrument, kein Schubladendokument.
Wie unterscheidet sich dieser Ansatz von klassischer Beratung?
Klassische Beratung produziert oft dicke Powerpoint-Dokumente und braucht Monate. Wir definieren Erfolg anders: Eine Organisation soll am Ende genau wissen, womit sie anfängt und wie sie den Effekt misst. Statt zehn oder zwanzig Piloten gleichzeitig zu starten, raten wir den Unternehmen, sich anfangs auf drei bis fünf Use Cases zu fokussieren, die realistisch in drei Monaten umgesetzt werden können. Das erzeugt Momentum und regt zum Weitermachen an: Ein sichtbarer Erfolg verändert mehr als ein weiterer Strategie-Workshop. Ein wichtiger Unterschied ist auch die Perspektive: Wir behandeln KI nicht als reines IT-Thema, sondern als Veränderung von Arbeit. Deshalb sitzen bei uns von Anfang an Fachbereiche mit am Tisch, nicht nur Technik und Management.
In welchen Bereichen des Gesundheitswesens sehen Sie derzeit die stärksten Hebel für KI?
Der grösste Hebel liegt heute dort, wo viel geschrieben, kopiert und gesucht wird. Arztbriefe, Berichte, SOPs, Qualitätsdokumentation, regulatorische Unterlagen das sind ideale Kandidaten für KI-Unterstützung. In Medtech- und Life-Science- Unternehmen sehen wir Ähnliches bei technischen Dossiers, internen Wissensdatenbanken und der Vorbereitung von Audits. Da geht es nicht um futuristische Diagnosesysteme, sondern um sehr konkrete Entlastung im Alltag. Spannend ist: Oft sind es scheinbar kleine Schritte, wie ein besserer Entwurfsprozess für Berichte oder eine KI-gestützte Suche im internen Wissen, die plötzlich viel Zeit freisetzen.
Gibt es Beispiele, in denen KI bei Ihren Kunden bereits messbare Verbesserungen gebracht hat?
Dramatisch ist es, wenn der Arzt nur noch 5–7 min pro Patient hat, weil ein Grossteil der Zeit durch administrative Tätigkeiten verschlungen wird. Ich kenne Beispiele aus Spitälern, in denen der Prozess für ärztliche Dokumente so umgestellt wurde, dass KI einen ersten Entwurf liefert, den der Arzt nur noch prüft und anpasst. Die Zeit pro Dokument ist merklich gesunken – und über alle Fälle einer Abteilung summiert sich das auf mehrere Stellenprozente. Das ist im Einzelnen vielleicht nicht spektakulär, aber es entscheidet darüber, wie viel Zeit für Patientinnen und Patienten bleibt. In einem anderen Fall hat ein Medtech-Unternehmen seine interne Suche für regulatorische Vorgaben und frühere Projekte mit KI aufgesetzt. Mitarbeitende finden heute in Minuten, wofür sie früher eine halbe Stunde gebraucht haben. Genau solche Effekte meinen wir, wenn wir von Resilienz sprechen: Die Organisation gewinnt Spielraum, ohne mehr Ressourcen zu haben.
Wo sehen Sie im Gesundheitswesen aktuell die «Low-Hanging Fruits» für KI?
Alles, was heute mit Copy-Paste, manueller Suche und immer gleichen Textbausteinen zu tun hat. Auch kleine Use Cases zum Beispiel das Standardisieren von Vorlagen oder das automatische Strukturieren von Rückmeldungen aus verschiedenen Kanälen können viel Reibung rausnehmen. Das Entscheidende ist: Der Use Case ist klar beschrieben, und es gibt am Ende eine Zahl, an der man merkt, ob sich etwas verändert hat. Wenn ich von Low-Hanging Fruits spreche, meine ich genau diese Kombination: klarer Prozess, hoher Wiederholungsgrad, gut messbarer Effekt. Dort sollte man anfangen, statt sich gleich an die komplexesten klinischen Szenarien zu wagen.
Welche Stolperfallen begegnen Ihnen in KIProjekten im Gesundheitsbereich am häufigsten?
Die erste Stolperfalle ist «Pilotitis»: überall kleine Projekte, aber nichts, was wirklich in den Alltag übergeht. Die zweite ist fehlende Governance also keine klaren Spielregeln und keine technische Basis, auf der man KI mit sensiblen Daten überhaupt verantwortungsvoll betreiben kann. Die dritte: Es fehlen KPIs. Viele Teams starten motiviert, aber niemand hat vorher definiert, was genau «Erfolg» bedeutet. Dann ist es nach einem Jahr schwer zu begründen, warum man weitermachen oder skalieren sollte. Eine vierte Stolperfalle ist kulturell: Wenn KI als Bedrohung wahrgenommen wird und niemand offen darüber spricht, wofür sie eingesetzt wird und wofür nicht, entsteht schnell Widerstand und der ist oft stärker als jedes technische Problem.
Wo ist Vorsicht beim KI-Einsatz Ihrer Meinung nach berechtigt und wo eher vorgeschoben?
Berechtigte Vorsicht betrifft immer Daten: Patientendaten, Forschungsdaten, vertrauliche interne Informationen. Da reicht «Wir nutzen einfach ein KI-Tool aus dem Internet» nicht man braucht eine kontrollierte Umgebung mit klaren Zugriffs- und Speicherregeln. Gleichzeitig erlebe ich Datenschutz oft als Generalbremse: Man verweist auf Risiken, statt Governance zu bauen. Andere Organisationen zeigen, dass es geht: Sie nutzen Enterprise-Lösungen mit Datenschutz, definieren klare Leitplanken und dann wird KI ein normales Werkzeug, nicht ein Tabu. Die Frage ist weniger «Dürfen wir KI nutzen?», sondern: «Sind unsere Prozesse und Systeme so aufgesetzt, dass wir sie verantwortungsvoll nutzen können?».
Gibt es ein Beispiel, in dem ein KI-Projekt nicht wie geplant funktioniert hat?
Ich sehe häufig Projekte, in denen sehr viel Energie in «coole» Use Cases fliesst aber niemand vorher gefragt hat, welches Problem damit gelöst werden soll. In einem grossen Unternehmen etwa existierte ein ganzes KI- und Data-Team mit mehreren Beratern. Auf die Frage, welche KPIs sie mit ihren Use Cases beeinflussen wollen, kam keine konkrete Antwort. Wenn man ein Jahr später nicht sagen kann, was sich verändert hat, ist das kein Technologieproblem, sondern ein Führungsproblem. KI macht bestehende Unklarheiten sichtbar: Wenn Ziele, Verantwortlichkeiten und Prozesse vorher diffus waren, verstärkt KI dieses Problem sie löst es nicht.
Was raten Sie Organisationen, die das Gefühl haben, beim Thema KI hinterherzuhinken?
Erstens: Transparenz schaffen. Wer nutzt heute was, mit welchen Daten und an welchen Stellen im Prozess? Diese «Landkarte» ist oft ernüchternd, aber sie ist die Voraussetzung für jede Entscheidung. Zweitens: eine minimale, aber klare Governance definieren inklusive einer Umgebung, in der sensible Daten sicher mit KI verarbeitet werden können. Drittens: Zwei bis drei konkrete Workflows auswählen, sie sauber beschreiben, KPIs festlegen und dann wirklich durchziehen. Es geht nicht darum, alles perfekt zu planen, sondern darum, sichtbare Lernschleifen in Gang zu setzen. Organisationen, die diesen Schritt gehen, merken schnell: KI ist kein abstraktes Thema mehr, sondern Teil ihrer täglichen Arbeit.
Welche Elemente gehören für Sie in eine gute KI-Strategie für Healthcare und Medtech?
Eine KI-Strategie ist kein Hochglanzpapier, sondern ein Arbeitsdokument. Sie braucht klare Verantwortlichkeiten, definierte Leitplanken, eine Übersicht über Daten und Systeme und ein priorisiertes Set an Use Cases mit messbaren Zielen. Dazu kommt ein Plan, wie man Kompetenzen aufbaut: Wer braucht welches Verständnis, um KI im Alltag sinnvoll einsetzen zu können? Ohne diese Bausteine bleibt KI entweder Einzelinitiative oder reines Experiment. Gute Strategien erkennt man daran, dass sie im Alltag zitiert werden nicht daran, wie schön sie im Intranet aussehen.
Wie verändert KI die Rollen von Fachkräften im Gesundheitswesen?
Kurzfristig fühlt es sich für viele so an, als käme einfach «noch ein Tool» dazu. Langfristig geht es darum, Routinetätigkeiten abzubauen, ohne Verantwortung zu delegieren. Wenn Dokumentation, Recherche und Standardtexte weniger Zeit fressen, bleibt mehr Energie für komplexe Fälle, Beziehungsarbeit und klinische Entscheidungen. Das passiert aber nicht automatisch Organisationen müssen ihre Prozesse bewusst anpassen, sonst bleibt KI ein Anhängsel. Für mich ist die zentrale Frage: Wie nutzen wir KI so, dass Menschen mehr von dem tun können, was nur Menschen können?